NavA3——双VLM架构下的先“推理解析”后“定位导航”：理解任意指令，导航至任意地点，查找任意目标
💡
原文中文，约6200字，阅读约需15分钟。
📝
内容提要
本文介绍了NavA3框架，旨在解决具身导航中的高层次指令理解与空间定位问题。该框架包括全局策略和局部策略，利用视觉语言模型解析指令并确定目标位置，随后通过NaviAfford模型实现精确导航。研究表明，NavA3在真实环境中的长时导航任务中表现优异，展现出强大的跨载体能力。
🎯
关键要点
- NavA3框架旨在解决具身导航中的高层次指令理解与空间定位问题。
- 框架包括全局策略和局部策略，利用视觉语言模型解析指令并确定目标位置。
- 全局策略使用Reasoning-VLM解析高层指令，局部策略使用Pointing-VLM进行路径点导航。
- NaviAfford模型通过空间可供性理解，实现精确的目标物体定位。
- NavA3在真实环境中的长时导航任务中表现优异，展现出强大的跨载体能力。
- 具身导航方法分为视觉-语言导航（VLN）和物体导航（ObjectNav）。
- 现实中的人类指令往往涉及高层次意图，需要复杂的推理和空间感知。
- NavA3框架将复杂问题分解为两个阶段，提升导航效率。
- 全局策略推断目标物体及其可能位置，局部策略进行精确定位。
- NaviAfford模型通过学习室内场景中的物体与空间可供性，实现高效导航。
- 系统采用基于航点探索的细粒度目标定位与导航策略。
➡️
